There has recently been an increased emphasis on the importance of learning programming languages, not only in higher education but also in secondary schools. Students of a variety of departments such as physics, mathematics and engineering have also started learning programming languages as part of their academic courses. Assessment of students programming solutions is therefore important for developing their programming skills. Many Computer Based Assessment (CBA) systems utilise multiple-choice questions (MCQ) to evaluate students performance. However, MCQs lack the ability to comprehensively assess students knowledge. Thus, other forms of programming solutions are required to assess students knowledge. This research aims to develop a semi-automated assessment framework for novice programmers, utilising a computer to support the marking process. The research also focuses on ensuring the consistency of feedback. A novel marking process model is developed based on the semi-automated assessment approach which supports a new way of marking, termed segmented marking . A study is carried out to investigate and demonstrate the feasibility of the segmented marking technique. In addition, the new marking process model is developed based on the results of the feasibility study, and two novel marking process models are presented based on segmented marking, namely the full-marking and partial-marking process models. The Case-Based Reasoning (CBR) cycle is adopted in the marking process models in order to ensure the consistency of feedback. User interfaces of the prototype marking tools (full and partial) are designed and developed based on the marking process models and the user interface design requirements. The experimental results show that the full and partial marking techniques are feasible for use in formative assessment. Furthermore, the results also highlight that the tools are capable of providing consistent and personalised feedback and that they considerably reduce markers workload.

Com o crescimento do número e da heterogeneidade dos equipamentos presentes nas atuais redes de computadores, o gerenciamento eficaz destes recursos toma-se crítico. Esta atividade exige dos gerentes de redes a disponibilidade de uma grande quantidade de informações sobre os seus equipamentos, as tecnologias envolvidas e os problemas associados a elas. Sistemas de registro de problemas (trouble ticket systems) tem lido utilizados para armazenar os incidentes ocorridos, servindo como uma memória histórica da rede e acumulando o conhecimento derivado do processo de diagnose e resolução de problemas. Todavia, o crescente número de registros armazenados torna a busca manual nestes sistemas por situações similares ocorridas anteriormente muito morosa e imprecisa. Assim, uma solução apropriada para consolidar a memória histórica das redes é o desenvolvimento de um sistema especialista que utilize o conhecimento armazenado nos sistemas de registro de problemas para propor soluções para um problema corrente. Uma abordagem da Inteligência Artificial que tem atraído enorme atenção nos últimos anos e que pode ser utilizada para tal fim é o raciocínio baseado em casos (casebased reasoning). Este paradigma de raciocínio visa propor soluções para novos problemas através da recuperação de um caso similar ocorrido no passado, cuja solução pode ser reutilizada na nova situação. Além disso, os benefícios deste paradigma incluem a capacidade de aprendizado com a experiência, permitindo que novos problemas sejam incorporados e se tomem disponíveis para use em situações futuras, aumentando com isso o conhecimento presente no sistema. Este trabalho apresenta um sistema que utiliza o paradigma de raciocínio baseado em casos aplicado a um sistema de registro de problemas para propor soluções para um novo problema. Esse sistema foi desenvolvido com o propósito de auxiliar no diagnostico e resolução dos problemas em redes. Os problemas típicos deste domínio, a abordagem adotada e os resultados obtidos com o protótipo construído são descritos. / With the increasing number of computer equipments and their increasing heterogeneity, the efficient management of those resources has become a hard job. This activity demands from the network manager a big amount of expertise on network equipments, technologies involved, and eventual problems that may arise. So far, trouble ticket systems (TTS) have been used to store network problems, working like a network historical memory and accumulating the knowledge derived from the diagnosis and troubleshooting of such problems. However, the increasing number of stored tickets makes the manual search of similar situations very slow and inaccurate in these kind of systems. So, an adequate approach to consolidate the network historic memory is the development of an expert system that uses the knowledge stored in the trouble ticket systems to propose a solution for a current problem. Case-based reasoning (CBR), an approach borrowed from Artificial Intelligence that recently had attracted many researchers attention, may be applied to help diagnosing and troubleshooting networking management problems. This reasoning paradigm proposes solution to new problems by retrieving a similar case occurred in the past, whose solution can be reused in the new situation. Furthermore, the benefits of this paradigm include the experience learning capability, allowing new problems being added and becoming available to use in future situations, expanding the knowledge of the system. This work presents a system that uses case-based reasoning applied to a trouble ticket system to propose solutions for a new problem in the network. This system was developed with the aim of helping the diagnostic and troubleshooting of network problems. It describes the typical problems of this domain, the adopted approach and the results obtained with the prototype built.

A falta de informação e de confiança entre os agentes em sistemas de recomendação que lidam com domínios dinâmicos podem ser fatores que contribuem para que os agentes gerem resultados de baixa qualidade. Na falta de informação para gerar recomendações, é necessário que os agentes sejam capazes de assumir ou compartilhar informações, criem laços de confiança entre si e que se adaptem às mudanças do estado do conhecimento para que sejam capazes de resolver os problemas. Esta tese apresenta a abordagem MATRES - uma abordagem multiagente baseada em suposições com mecanismo de confiança aplicada em um sistema de recomendação multiagente. Na abordagem MATRES, os agentes são capazes de lidar com conhecimento distribuído. Cada agente trabalha como especialista e é capaz de compartilhar seu conhecimento com os demais, de acordo com seus índices de confiança. Para a solução de um problema, diferentes tarefas são distribuídas entre os agentes. Algumas tarefas apresentam uma relação de dependência, fazendo com que uma tarefa dependa do resultado de outra. Nesta situação, o agente possui um componente de manutenção da verdade que permite a utilização de suposições para a realização das tarefas de forma assíncrona. Na falta de informação proveniente de outra tarefa, o agente é capaz de manipular suposições, sendo capaz de executar sua tarefa. Além disto, o componente de manutenção da verdade auxilia na manutenção da integridade das bases de conhecimento dos agentes. A abordagem MATRES foi validada em um cenário de recomendação de pacotes turísticos. Casos reais de uma agência de viagem foram utilizados na validação da abordagem e os resultados obtidos corroboram a hipótese de que que a abordagem proposta aumenta a assertividade das recomendações geradas pelos agentes em ambientes distribuídos e dinâmicos. / The lack of trust and information among agents in dynamic domains may contribute to the generation of poor results in multiagent recommender systems. These domains requires that agents exchange information, establishing bonds of trust among themselves and adapting the modification of the status of the knowledge to be able to solve problems. In systems where the knowledge is distributed among several agents, the exchange of information is essential for improving the performance of the agents and maybe leading to inconsistencies when the information exchanged has different status. This thesis presents the MATRES approach - a multiagent Assumption-Based recommender approach with a trust mechanism. In this approach agents are able to deal with distributed knowledge. Each agent works as an expert and is able to share its knowledge with other agents, according to its trust degree. In order to solve a problem, different tasks are distributed among the agents. Some tasks are interdependent, which means that to solve a task it is necessary to use the result from other one. In this situation, the agent has a truth maintenance component that allows using assumptions to perform tasks in a assynchronous ways and helps the maintenance of the integrity of the knowledge bases of the agents. TheMATRES approach was validated in the travel recommendation scenario. The results show that the proposal increases the assertiveness of the recommendations provided by the agents in this dynamic domain.

Com o crescimento do número e da heterogeneidade dos equipamentos presentes nas atuais redes de computadores, o gerenciamento eficaz destes recursos toma-se crítico. Esta atividade exige dos gerentes de redes a disponibilidade de uma grande quantidade de informações sobre os seus equipamentos, as tecnologias envolvidas e os problemas associados a elas. Sistemas de registro de problemas (trouble ticket systems) tem lido utilizados para armazenar os incidentes ocorridos, servindo como uma memória histórica da rede e acumulando o conhecimento derivado do processo de diagnose e resolução de problemas. Todavia, o crescente número de registros armazenados torna a busca manual nestes sistemas por situações similares ocorridas anteriormente muito morosa e imprecisa. Assim, uma solução apropriada para consolidar a memória histórica das redes é o desenvolvimento de um sistema especialista que utilize o conhecimento armazenado nos sistemas de registro de problemas para propor soluções para um problema corrente. Uma abordagem da Inteligência Artificial que tem atraído enorme atenção nos últimos anos e que pode ser utilizada para tal fim é o raciocínio baseado em casos (casebased reasoning). Este paradigma de raciocínio visa propor soluções para novos problemas através da recuperação de um caso similar ocorrido no passado, cuja solução pode ser reutilizada na nova situação. Além disso, os benefícios deste paradigma incluem a capacidade de aprendizado com a experiência, permitindo que novos problemas sejam incorporados e se tomem disponíveis para use em situações futuras, aumentando com isso o conhecimento presente no sistema. Este trabalho apresenta um sistema que utiliza o paradigma de raciocínio baseado em casos aplicado a um sistema de registro de problemas para propor soluções para um novo problema. Esse sistema foi desenvolvido com o propósito de auxiliar no diagnostico e resolução dos problemas em redes. Os problemas típicos deste domínio, a abordagem adotada e os resultados obtidos com o protótipo construído são descritos. / With the increasing number of computer equipments and their increasing heterogeneity, the efficient management of those resources has become a hard job. This activity demands from the network manager a big amount of expertise on network equipments, technologies involved, and eventual problems that may arise. So far, trouble ticket systems (TTS) have been used to store network problems, working like a network historical memory and accumulating the knowledge derived from the diagnosis and troubleshooting of such problems. However, the increasing number of stored tickets makes the manual search of similar situations very slow and inaccurate in these kind of systems. So, an adequate approach to consolidate the network historic memory is the development of an expert system that uses the knowledge stored in the trouble ticket systems to propose a solution for a current problem. Case-based reasoning (CBR), an approach borrowed from Artificial Intelligence that recently had attracted many researchers attention, may be applied to help diagnosing and troubleshooting networking management problems. This reasoning paradigm proposes solution to new problems by retrieving a similar case occurred in the past, whose solution can be reused in the new situation. Furthermore, the benefits of this paradigm include the experience learning capability, allowing new problems being added and becoming available to use in future situations, expanding the knowledge of the system. This work presents a system that uses case-based reasoning applied to a trouble ticket system to propose solutions for a new problem in the network. This system was developed with the aim of helping the diagnostic and troubleshooting of network problems. It describes the typical problems of this domain, the adopted approach and the results obtained with the prototype built.

A falta de informação e de confiança entre os agentes em sistemas de recomendação que lidam com domínios dinâmicos podem ser fatores que contribuem para que os agentes gerem resultados de baixa qualidade. Na falta de informação para gerar recomendações, é necessário que os agentes sejam capazes de assumir ou compartilhar informações, criem laços de confiança entre si e que se adaptem às mudanças do estado do conhecimento para que sejam capazes de resolver os problemas. Esta tese apresenta a abordagem MATRES - uma abordagem multiagente baseada em suposições com mecanismo de confiança aplicada em um sistema de recomendação multiagente. Na abordagem MATRES, os agentes são capazes de lidar com conhecimento distribuído. Cada agente trabalha como especialista e é capaz de compartilhar seu conhecimento com os demais, de acordo com seus índices de confiança. Para a solução de um problema, diferentes tarefas são distribuídas entre os agentes. Algumas tarefas apresentam uma relação de dependência, fazendo com que uma tarefa dependa do resultado de outra. Nesta situação, o agente possui um componente de manutenção da verdade que permite a utilização de suposições para a realização das tarefas de forma assíncrona. Na falta de informação proveniente de outra tarefa, o agente é capaz de manipular suposições, sendo capaz de executar sua tarefa. Além disto, o componente de manutenção da verdade auxilia na manutenção da integridade das bases de conhecimento dos agentes. A abordagem MATRES foi validada em um cenário de recomendação de pacotes turísticos. Casos reais de uma agência de viagem foram utilizados na validação da abordagem e os resultados obtidos corroboram a hipótese de que que a abordagem proposta aumenta a assertividade das recomendações geradas pelos agentes em ambientes distribuídos e dinâmicos. / The lack of trust and information among agents in dynamic domains may contribute to the generation of poor results in multiagent recommender systems. These domains requires that agents exchange information, establishing bonds of trust among themselves and adapting the modification of the status of the knowledge to be able to solve problems. In systems where the knowledge is distributed among several agents, the exchange of information is essential for improving the performance of the agents and maybe leading to inconsistencies when the information exchanged has different status. This thesis presents the MATRES approach - a multiagent Assumption-Based recommender approach with a trust mechanism. In this approach agents are able to deal with distributed knowledge. Each agent works as an expert and is able to share its knowledge with other agents, according to its trust degree. In order to solve a problem, different tasks are distributed among the agents. Some tasks are interdependent, which means that to solve a task it is necessary to use the result from other one. In this situation, the agent has a truth maintenance component that allows using assumptions to perform tasks in a assynchronous ways and helps the maintenance of the integrity of the knowledge bases of the agents. TheMATRES approach was validated in the travel recommendation scenario. The results show that the proposal increases the assertiveness of the recommendations provided by the agents in this dynamic domain.

A falta de informação e de confiança entre os agentes em sistemas de recomendação que lidam com domínios dinâmicos podem ser fatores que contribuem para que os agentes gerem resultados de baixa qualidade. Na falta de informação para gerar recomendações, é necessário que os agentes sejam capazes de assumir ou compartilhar informações, criem laços de confiança entre si e que se adaptem às mudanças do estado do conhecimento para que sejam capazes de resolver os problemas. Esta tese apresenta a abordagem MATRES - uma abordagem multiagente baseada em suposições com mecanismo de confiança aplicada em um sistema de recomendação multiagente. Na abordagem MATRES, os agentes são capazes de lidar com conhecimento distribuído. Cada agente trabalha como especialista e é capaz de compartilhar seu conhecimento com os demais, de acordo com seus índices de confiança. Para a solução de um problema, diferentes tarefas são distribuídas entre os agentes. Algumas tarefas apresentam uma relação de dependência, fazendo com que uma tarefa dependa do resultado de outra. Nesta situação, o agente possui um componente de manutenção da verdade que permite a utilização de suposições para a realização das tarefas de forma assíncrona. Na falta de informação proveniente de outra tarefa, o agente é capaz de manipular suposições, sendo capaz de executar sua tarefa. Além disto, o componente de manutenção da verdade auxilia na manutenção da integridade das bases de conhecimento dos agentes. A abordagem MATRES foi validada em um cenário de recomendação de pacotes turísticos. Casos reais de uma agência de viagem foram utilizados na validação da abordagem e os resultados obtidos corroboram a hipótese de que que a abordagem proposta aumenta a assertividade das recomendações geradas pelos agentes em ambientes distribuídos e dinâmicos. / The lack of trust and information among agents in dynamic domains may contribute to the generation of poor results in multiagent recommender systems. These domains requires that agents exchange information, establishing bonds of trust among themselves and adapting the modification of the status of the knowledge to be able to solve problems. In systems where the knowledge is distributed among several agents, the exchange of information is essential for improving the performance of the agents and maybe leading to inconsistencies when the information exchanged has different status. This thesis presents the MATRES approach - a multiagent Assumption-Based recommender approach with a trust mechanism. In this approach agents are able to deal with distributed knowledge. Each agent works as an expert and is able to share its knowledge with other agents, according to its trust degree. In order to solve a problem, different tasks are distributed among the agents. Some tasks are interdependent, which means that to solve a task it is necessary to use the result from other one. In this situation, the agent has a truth maintenance component that allows using assumptions to perform tasks in a assynchronous ways and helps the maintenance of the integrity of the knowledge bases of the agents. TheMATRES approach was validated in the travel recommendation scenario. The results show that the proposal increases the assertiveness of the recommendations provided by the agents in this dynamic domain.

Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2015-11-12T12:16:34Z No. of bitstreams: 2 Dissertacao - Raissa dos Santos Vieira - 2015.pdf: 1881110 bytes, checksum: 45839b9f148ac7ad37509a799c65c385 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2015-11-12T12:18:36Z (GMT) No. of bitstreams: 2 Dissertacao - Raissa dos Santos Vieira - 2015.pdf: 1881110 bytes, checksum: 45839b9f148ac7ad37509a799c65c385 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) / Made available in DSpace on 2015-11-12T12:18:36Z (GMT). No. of bitstreams: 2 Dissertacao - Raissa dos Santos Vieira - 2015.pdf: 1881110 bytes, checksum: 45839b9f148ac7ad37509a799c65c385 (MD5) license_rdf: 23148 bytes, checksum: 9da0b6dfac957114c6a7714714b86306 (MD5) Previous issue date: 2015-08-13 / Fundação de Amparo à Pesquisa do Estado de Goiás - FAPEG / The graph drawing problem is to construct geometric representations of graphs in order to obtain good drawings that meet user expectations. The problem becomes complex because the concept of “good drawing” is subjective and relative, in other words, it can vary according to the preferences or needs of each user. This paper presents a literature review of approaches that explored to apply machine learning techniques for drawing graphs. Then, it proposes a framework to collect user actions from interactions with a graph drawing software and reuse them using case-based reasoning. The framework was tested with a database interaction involving focus an genetic algorithm. The goal was to determine whether the reuse of these actions made by users could lead to an effective strategy for improvement graph drawings. Experiments were performed with the database and algorithms, described along with the framework, in order to evaluate the proposal approach through the statistical analysis of results obtained. The analysis showed promising strategies, among them an algorithm that matches a preexisting genetic algorithm running on the entire graph drawing, and the combination of this genetic algorithm with a new algorithm that can produces better graph drawings. Such facts motivate further research in this area. / O problema de desenho de grafos consiste em construir representações geométricas de grafos de modo a obter bons desenhos, que atendam às expectativas dos usuários. O problema se torna complexo pelo fato do conceito de “bom desenho” ser subjetivo e relativo, ou seja, poder variar de acordo com as preferências e/ou necessidades de cada usuário. Este trabalho apresenta uma revisão de literatura de abordagens que buscaram aplicar técnicas de aprendizado de máquina para desenho de grafos. Em seguida, é proposto um framework para coletar ações de usuários a partir de interações com um software de desenho de grafos e reaproveitá-las utilizando raciocínio baseado em casos. O framework foi testado com uma base de dados de interação envolvendo foco de um algoritmo genético. O objetivo foi verificar se o reaproveitamento de ações de foco feitas por usuários poderia levar a uma estratégia efetiva de melhoria de desenhos de grafos. Foram realizadas experimentações com a base de dados e com algoritmos, descritos junto com o framework, a fim de avaliar a abordagem proposta por meio da análise estatística dos resultados obtidos. Essa análise mostrou estratégias promissoras, dentre elas, um algoritmo proposto que se equipara a um algoritmo genético preexistente executando sobre todo o desenho do grafo, e a combinação desse algoritmo genético com um novo algoritmo capaz de criar desenhos de melhor qualidade, fatos estes que motivam para o desenvolvimento de novas pesquisas nessa área.

Este trabalho apresenta o sistema de planejamento baseado em casos chamado FAR-OFF (Fast and Accurate Retrieval on Fast Forward). Este sistema usa o planejador FF (Fast-Forward) como um sistema generativo para adaptar os casos resgatados, bem como uma nova regra de similaridade chamada ADG, uma nova política de remoção de casos chamada Minimo-Prejuízo e um método de melhora da qualidade de um plano chamado SQUIRE. Todos esses novos métodos permitem um sistema de planejamento baseado em casos tão eficiente quanto os sistemas de planejamento baseados em busca heurística. / This work presents the FAR-OFF (Fast and Accurate Retrieval on Fast Forward) case-based planning system. This system uses the FF planner (Fast-Forward) as an effective generative system to adapt retrieved cases. It also uses a new similarity rule, called ADG, a new case-deletion policy named Minimal-Injury and a new method to improve the solution quality called SQUIRE. All these features are responsible for the results of the FAR-OFF system that are so efficient as the results of the heuristic search based planning systems.

As already clear from the title, this dissertation deals with autonomous locomotive robot path planning, based on machine learning. Robot path planning task is to find a path from initial to target position without collision with obstacles so that the cost of the path is minimized. Autonomous robot is such a machine which is able to perform tasks completely independently even in environments with dynamic changes. Path planning in dynamic partially known environment is a difficult problem. Autonomous robot ability to adapt its behavior to changes in the environment can be ensured by using machine learning methods. In the field of path planning the mostly used methods of machine learning are case based reasoning, neural networks, reinforcement learning, swarm intelligence and genetic algorithms. The first part of this thesis introduces the current state of research in the field of path planning. Overview of methods is focused on basic omnidirectional robots and robots with differential constraints. In the thesis, several methods of path planning for omnidirectional robot and robot with differential constraints are proposed. These methods are mainly based on case-based reasoning and genetic algorithms. All proposed methods were implemented in simulation applications. Results of experiments carried out in these applications are part of this work. For each experiment, the results are analyzed. The experiments show that the proposed methods are able to compete with commonly used methods, because they perform better in most cases.

Ce mémoire porte sur l'utilisation des ontologies dans les systèmes de recherche d'information SRI dédiés à des domaines particuliers. Il se base sur une approche à deux niveaux, à savoir la formulation et la recommandation des requêtes. La formulation consiste à assister l'utilisateur dans l'expression de sa requête en se basant sur des concepts et des propriétés de l'ontologie de domaine utilisée. La recommandation consiste à proposer des résultats de recherche en utilisant la méthode du raisonnement à partir de cas. Dans cette méthode, une nouvelle requête est considérée comme un nouveau cas.La résolution de ce nouveau cas consiste à réutiliser les anciens cas similaires qui ne sont que des requêtes traitées auparavant. Afin de valider l'approche proposée, un système OntoCBRIR a été développé et un ensemble d'expérimentations a été élaboré. Enfin, les perspectives de recherche concluent le présent rapport. / This thesis study the using of ontologies in information retrieval systemdedicated to a specific domain. For that we propose a two-level approach to deal with i) the query formulation that assists the user in selecting concepts and properties of the used ontology ; ii) the query recommendation that uses the case-based reasoning method, where a new query is considered as a new case. Solving a new case consists of reusing similar cases from the history of the previous similar cases already processed. For the validation of the proposed approaches, a system was developed and a set of computational experimentations was made. Finally, research perspectives conclude that this present report.